本人牟文龙，目前是多伦多大学统计科学系 (Department of Statistical Sciences, University of Toronto) 新入职的助理教授 (tenure-track AP)，同时在计算机系（Computer Science）courtesy appointment。我于2017年本科毕业于北京大学信息科学技术学院，2023年毕业于加州伯克利大学电子工程系(EECS, UC Berkeley)，师从Martin Wainwright和Peter Bartlett，获博士学位。
我的研究领域是机器学习与数据科学理论，这是一个逐渐融合发展的学科，涉及到统计与机器学习、运筹学、算法理论、应用数学等多个学科。我的研究兴趣较为广泛，对强化学习与随机控制、因果推理与半参估计、随机优化与逼近、蒙特卡洛采样与扩散过程、贝叶斯理论、深度学习泛化误差、差分隐私等问题都有过涉猎。在统计、运筹、机器学习等领域的顶级期刊和会议上有多篇论文发表。
我最近比较感兴趣的一个核心问题是：如何让机器学习帮助我们解决基于数据驱动的决策问题 (data-driven decision-making)，并达到最优的效果；基于这个问题我们可以发展出新的统计方法和优化算法，提炼出一些一般性的法则，以期将其用于实际应用。现代的机器学习（尤其是深度学习）技术很擅长于拟合函数及分布，并在图像、语言等任务上展现出来惊人的表现；但是当我们需要用机器学习技术来做决策时，拟合函数/分布本身是不够的，我认为目前方法的有效性还很欠缺，这也使得现代的统计和算法理论有了用武之地。
当然，我的研究兴趣也不局限于这一类问题，作为我的学生，你也可以有自己的研究方向，不必与我完全一致，有的时候不一样的思路碰撞出来的火花正是灵感的源泉。只要你希望发展一些有意义的理论来指导机器学习和数据科学的实践，我们就是同路人。
如果你想进一步了解我的研究，可以关注我的个人主页：
https://mouwenlong.github.io/
目前我有若干博士生名额。我希望我未来的学生在以下两个方向之一有专长：
1. 数学，包括扎实的分析、概率等基础知识，喜欢做理论证明，并有一定熟练度；
2. 深度学习工程能力，特别是对领域内最新进展的熟悉，并乐于去理解其背后的原理。请注意两者居其一即可，并不需要面面俱到。统计学或者运筹学的背景是加分项但并不是必需的。只要你的数学背景或工程能力够强，并愿意探索，别的方面都不是问题。
如果你博士将要毕业，对于跟我做博士后感兴趣，也请联系我。我们系有很多有资金支持的博士后项目，如果研究兴趣合适，我们可以一起讨论一下申请其中一些项目的可能性。
如果你申请我们系的博士生并且有意向加入我的研究组，可以在研究陈述 (research statement) 上面提我的名字，并且欢迎通过我的邮箱联系我：wmou.work@gmail.com，请在邮件中包含如下内容：
1. 标题请以 “[Prospective student]''（包含括号，不包含引号）开头；
2. 请附上个人简历和成绩单，如有论文也欢迎附在邮件中；
3. 请用一小段话陈述自己的未来研究方向，或者附上自己的research statement.
